生成式人工智能（AI）為化學研究中的按需設計描繪了一幅美麗的藍圖。然而，由于大多數(shù)化學描述符在數(shù)學上是離散的或不連續(xù)可調(diào)的，少數(shù)幾代成功的化學描述符只能實現(xiàn)一些特殊的屬性值。

基于此，中國科學技術大學江俊教授，王嵩教授，黃炎副研究員（共同通訊作者）等人使用光譜描述符和機器學習（ML）來建立金屬單原子催化劑上吸附分子的定量光譜結(jié)構-性質(zhì)關系。除了吸附能和電荷轉(zhuǎn)移等催化性質(zhì)外，還成功地反演了被吸附分子的完整空間相對坐標。

以金屬原子分散在金屬氧化物載體上的單原子催化劑（SACs）為例，研究了二氧化碳還原反應（CO₂RR）中關鍵中間分子CO的吸附狀態(tài)（性質(zhì)和結(jié)構）與光譜特征之間的定量關系。本文建立了一個ML模型（ML-1）用于研究吸附能（E_ads）和電荷轉(zhuǎn)移（Δq）的性質(zhì)，另一個ML模型（ML-2）用于研究吸附分子CO的結(jié)構。

本研究利用CO的紅外光譜信號預測了6個結(jié)構參數(shù)，包括鍵長、鍵角和二面角，利用這些參數(shù)可以精確地確定相對于SACs的小分子的位置，然后可以確定CO分子的空間相對坐標，從而實現(xiàn)結(jié)構反演。這是一種不依賴于理論計算或?qū)嶒灱僭O而從光譜中獲取結(jié)構信息的新方法。

此外，基于上述兩個ML模型，開發(fā)了用于催化結(jié)構設計的AI生成工作流程。首先，隨機生成大量譜圖以快速預測吸附能，通過與期望吸附能的比較，迭代光譜生成過程以找到與期望性質(zhì)相對應的光譜。

然后，基于該光譜反演了CO分子的結(jié)構，并通過DFT計算驗證了其性質(zhì)。到目前為止，已經(jīng)能夠利用光譜學作為指標來不斷地設計具有所需性能的催化結(jié)構。

Catalytic Structure Design by AI Generating with Spectroscopic Descriptors. J. Am. Chem. Soc., 2023, DOI: 10.1021/jacs.3c09299.

https://doi.org/10.1021/jacs.3c09299.